Evaluierung von Active Shape Models zur Erkennung von Handgesten

Die Interaktion mit virtuellen Welten erfordert heute vom Benutzer ein hohes Maß an Erfahrung im Umgang mit den derzeit verfügbaren Eingabegeräten wie Spacemouse oder Datenhandschuhen. Die Verkabelung dieser Geräte schränkt außerdem die Bewegungsfreiheit des Anwenders stark ein. Eine geräteunabhängige Interaktion wäre daher die einfachste und natürlichste Art der Kommunikation mit der virtuellen Umgebung. Hier kann z.B. eine videobasierte Erkennung von Handgesten eingesetzt werden. Thema dieser Arbeit ist die Untersuchung des Active Shape Model zur Erkennung einer Zeigegeste. Dabei wird zunächst die Geste als Kontur durch eine vorgegebene Anzahl von Randpunkten beschrieben. In einer Trainingsphase wird durch Vorgabe von manuell erstellten Konturen in Beispielbildern ein Point Distribution Model berechnet und somit statistische Aussagen über die mittlere Zeigegeste und ihre Variationsmöglichkeiten getroffen. Diese Mittelwertsgeste kann nun in vorgegebenen Schranken deformiert werden, um eine Kontur an die Kanteninformationen eines Grauwertbildes bestmöglich anzupassen. Dazu werden die einzelnen Punkte der Kontur entlang von Suchpfaden zu einer neuen, besseren Position im Bild verschoben. Diese Verschiebung ermöglicht es, die Form der Geste aktiv zu verändern (active shape). Durch die statistische Beschreibung der Geste ist man nach der iterativen Anpassung in der Lage, zu entscheiden, ob eine gültig Zeigegeste gefunden wurde. Die Implementation der Algorithmen in C++ zeigt, dass die Anpassung einer Initialkontur der Zeigegeste in einem Bild in Echtzeit möglich ist. Die Dauer und die Güte der Anpassung sind stark von der Initialposition anhängig. Für eine erfolgreiche Erkennung der Geste muss die vorgegebene Initialkontur bereits die ungefähre Position und Lage der wahren Geste im Bild beschreiben.